气象预报模式参数化方案对重污染过程PM2.5浓度预报效果的影响

韩丽娜 唐晓 陈科艺 周慧 孔磊 ,4 张佩文 黄树元 吴倩 ,4 曹凯 ,4 王自发 ,4

1 成都信息工程大学，成都 610225

2 中国科学院大气物理研究所大气边界层物理和大气化学国家重点实验室，北京 100029

3 湖南省气象台，长沙 410118

4 中国科学院大学，北京 100049

1 引言

在高强度污染排放和能源消耗背景下，我国区域大气重污染事件频发，尤其是北京—天津—河北（京津冀）及周边地区。重污染期间高浓度污染物以及低能见度对公众健康、大气环境以及交通安全均造成了诸多的负面影响。对重污染的范围、污染物来源以及发生发展时间节点等做出准确的预报预警是重污染防控的关键环节（高文康等,2016; 皇甫玮喆,2017; 耿东颖,2018）。但由于大气污染面临排放数据不准确、化学反应机制不清晰等难题，精准的重污染预报预警仍面临巨大挑战。国内外学者为了改进大气污染预报精度，开展了大量工作。李冬青等（2020）利用不同分辨率CMAQ模式对北京市PM2.5的浓度预报效果进行对比分析，发现高分辨率模式的预报效果整体优于低分辨率预报模式。张天航等（2019）利用均值集成、多元线性回归集成、权重集成以及BP-ANNs方法开展了集成预报研究，结果表明最优集成的PM2.5浓度预报效果最好，能较大幅度降低我国重污染区域的预报偏差，但在预报污染峰值上存在一定的不足。潘锦秀等（2019）建立了多元线性回归集成预报模型，发现该预报模型能显著提高PM2.5浓度预报的准确率。胡译文等（2019）通过同化气象资料探究其对PM2.5模拟效果的影响，发现同化试验表现出明显的优化效果，在预报的第10～30小时时段上有显著的预报改进效果。

以上研究可以看出数值模式是当前进行大气污染预报的重要工具，同时也是改善预报的关键，但数值模式的不确定性使其在实际应用中仍面临巨大挑战。巨菲等（2019）根据陕西重污染天气的防治现状以及近5年来的重污染天气预报情况，总结分析了重污染天气预报过程中存在的一些问题，指出由于缺乏精准的区域大气污染源资料等问题，数值预报模式在预报时效、空间分辨率以及预报准确率等方面仍存在很多不足。大气污染数值模式预报的不确定性来源主要为模式误差、初始和边界条件误差、排放源、化学过程、干沉降过程以及气象场输入误差（朱江等,2018）。针对空气质量预报的不确定性，有研究认为初始气象场数据的精度对重污染过程预报的影响较大（刘娜等,2018）。有研究发现不同天气背景条件下，同一地区在相同排放强度所造成的近地面污染物浓度要相差几倍甚至几十倍（陈敏等,2013）。重污染天气频发的主要原因是气溶胶污染程度加剧（张小曳等,2013），在本地排放一定的情况下，影响气溶胶浓度的因素主要是气象条件，且PM2.5的污染源主要分布在边界层内，因此气象条件是决定污染物浓度短期变化的关键因素（廖晓农等,2014; 张建忠等,2014,2016;程念亮等,2015）。Zhang et al.（2007）发现休斯顿及周边地区污染物预报的不确定性很大程度上是由气象不确定性导致。Bei et al.（2017）通过 WRFChem模式对京津冀一次大气重污染过程进行模拟，结果表明气象条件的不确定性极大地影响了北京地区观测点的气溶胶成分模拟。因此，在大气重污染预报中考虑气象不确定性是非常必要的。

气象模式参数化方案的选择可以显著影响关键气象要素的预报精度。杜娟等（2019）利用WRF数值模式，评估不同的参数化方案对新疆地区温度和风速预报结果的影响，发现修改后的参数化方案组合能提高模式对2 m温度的预报精度。陈锋等（2012）评估了WRF模式对浙江省夏季温度的预报性能，并探究了不同微物理参数化方案和积云参数化方案的影响效果。但在针对大气重污染预报方面，从气象模式参数化方案入手改善重污染预报的工作仍非常少，其影响和潜力亟待分析。因此，本文从气象模式的参数化方案着手，开展不同参数化方案配置下的PM2.5浓度预报试验，对比不同方案间的优劣，为减小重污染预报的不确定性提供参考。2016年12月16～21日北京地区发生了一次重污染过程，北京市启动了空气重污染红色预警措施，是一次覆盖面积广、污染程度重、持续时间长的大气重污染过程。针对此次污染过程，韩丽娜等（2020）分析了不同模式参数化方案下气象要素预报精度的差异。本文在此基础上，进一步分析不同气象参数化方案配置下重污染期间PM2.5浓度预报精度的差异。

2 模式介绍与试验设计

2.1 模式系统介绍

本文试验使用的区域空气质量模式是由中国科学院大气物理研究所自主研发的嵌套网格空气质量预报模式系统NAQPMS（王自发等,2006）。该模式集成了国际先进的大气污染物理化学机制模拟模块，实现大气污染复杂物理化学过程的相互作用模拟，具备上百种污染物三维时空分布与输送转化过程的模拟能力，在研究酸雨、沙尘、臭氧和灰霾等空气污染问题上有广泛的应用（郑捷等,2016; 卢苗苗等,2017; 刘娜等,2018; 赵芸程等,2019）。

NAQPMS模式区域覆盖整个中国区域（图1a），水平分辨率为15 km×15 km。垂直方向采用地形追随坐标，分为20层，取第一层作为近地面层的污染物浓度与地面观测污染物浓度进行对比，模式层顶高度为20 km。图1b给出了北京市12个国控空气质量监测站点的分布。将12个国控站点分成两类，一类是城中心站，包括海淀区万柳、奥体中心、农展馆、官园、东四、万寿西宫、天坛、古城共8个观测站；另一类是城郊站，包括定陵、昌平镇、顺义新城、怀柔镇4个观测站。模式系统需要提供两部分重要输入数据作为强迫场，一部分是由WRF气象模式提供的气象数据资料；另一部分是排放源清单，模式所使用的HTAP排放源清单（Hemispheric Transport of Air Pollution）是 以2010年为基准年的排放源，空间分辨率为0.1°（纬度）×0.1°（经度），排放类型包括7类（Janssens-Maenhout et al.,2015）。

2.2 试验设计

本研究通过调整WRF模式中物理参数化方案配置来模拟得到不同气象场数据，并利用其驱动NAQPMS模式对北京市2016年12月16～21日的空气重污染过程进行模拟。试验所使用的WRF模式为WRFv3.6版本，此版本提供多种参数化方案配置，主要包括长波辐射过程、短波辐射过程、微物理过程、积云对流过程、近地面过程、边界层过程以及陆面过程。表1给出了基准试验中参数化方案配置。单扰动方案是基准试验基础上，一次改变某一个过程的参数化方案配置，共开展了49组试验。将49组试验中优选出的气象要素（温度、相对湿度、风）模拟效果最好的一类方案组合称为“单扰动优化方案”（如表2）。此单扰动优化方案的选择是基于韩丽娜等（2020）的气象参数化方案优选结果，该方案组合主要是将基准方案中的边界层方案改为MYNN 3rd边界层方案。此外，针对7类过程中的每一类过程，优选出气象要素模拟效果最优的一种方案，再将这些单项最优方案组合，这种方案配置称为“组合扰动优化方案”（如表3）。

图1 （a）WRF模式两层嵌套网格设置（d01和d02分辨率分别为45 km和15 km，d02区域为NAQPMS模式模拟区域）和（b）北京市12个国控站点分布Fig.1 (a) Two nested domains grid settings in WRF model (the resolutions are 45 km and 15 km,respectively,and d02 is the simulation area of NAQPMS model) and (b) distribution of 12 state-controlled stations in Beijing

表1 基准试验中参数化方案配置Table 1 Parameterization scheme configuration in baseline test

3 结果分析

3.1 重污染预报的时间序列评估

为了对比不同方案的浓度预报精度差异，选取了奥体中心站、怀柔镇站分别作为城中心站、城郊站的代表站点进行分析。图2为奥体中心站不同方案PM2.5模拟与实测浓度之间的时间序列。从观测数据中可以看出14～17日污染浓度不断累积，在 17～18日 PM2.5浓度达到 400 µg/m3左右，18～19日浓度降至200 µg/m3左右，持续了两天之后在20～21日浓度又上升至400 µg/m3左右，污染程度加剧。从图中模拟结果可以看出，所有方案均能较好地模拟出14～19日污染物浓度持续累积的过程，但对于20～21日污染程度加剧的时段，不同的方案呈现了不同的模拟结果。组合扰动优化方案相比其余方案能更好再现20～21日污染程度加剧的趋势，预报PM2.5浓度最大值达到320 µg/m3左右，而其余方案预报的PM2.5浓度最高才达到100 µg/m3左右。因此，对于重污染时段20～21日期间，组合扰动优化方案对于PM2.5浓度峰值的模拟效果更优。从物理方案角度看，不同积云对流方案和微物理方案模拟结果差异较小，长波过程、边界层过程、短波过程方案间的模拟结果差异较大。这说明对于这次污染过程，不同积云方案和微物理方案的不确定性对PM2.5浓度模拟结果影响较小，长波过程、边界层过程和短波过程的不确定性对PM2.5浓度模拟结果影响较大。

表2 单扰动优化参数化方案配置Table 2 Single-perturbation optimal parameterization scheme configuration

表3 组合扰动优化参数化方案配置Table 3 Combined perturbation optimization parameterization scheme configuration

图3为怀柔镇站不同方案PM2.5模拟与实测浓度的时间序列。城郊站点的实测情况与城中心站存在一些差异，尤其在14～18日期间。从怀柔镇的实测数据可以看出，在14～18日期间呈现PM2.5浓度累积的趋势，但累积的浓度值相比城中心站低，最高浓度为200 µg/m3左右。与城中心站类似，怀柔镇实测值在20～21日期间达到污染程度最重，PM2.5浓度达400 µg/m3左右。从模拟结果可以看出，所有方案在14～18日期间均能较好再现观测浓度的上升趋势，方案间的差异较小。方案间差异主要体现在20～21日期间的PM2.5浓度模拟结果，组合扰动优化方案的模拟结果最好，能更好地模拟出污染过程的变化趋势以及起止时间，呈现出更好的预报技巧。从物理过程角度来看，边界层过程模拟方案的差异导致的PM2.5模拟浓度差异较大，其余过程参数化方案变化引入的模拟结果差异相对较小。

图2 北京市奥体中心站不同物理过程PM2.5模拟与观测浓度之间对比的时间序列：（a）积云对流过程；（b）长波过程；（c）微物理过程；（d）边界层过程；（e）陆面过程；（f）短波过程。phys-base为基准方案模拟浓度值，phys-best为单扰动优化方案模拟浓度值，physallbest为组合扰动优化方案模拟浓度值，phys-ensemble为其余方案模拟浓度值Fig.2 Time series of comparison between different physical process-simulated and observed concentrations of PM2.5 at Olympic Sports Center station,Beijing: (a) Cumulus convective process; (b) longwave process; (c) microphysical process; (d) boundary layer process; (e) land surface process;(f) shortwave process.phys-base is the simulated concentration value of the base-line test,phys-best is the simulated concentration value of the singleperturbation optimal scheme,phys-allbest is the simulated concentration value of the combined perturbation optimization scheme,and phys-ensemble is the simulated concentration value of the rest of the scheme.phys-base is the simulated concentration value of the base-line test,phys-best is the simulated concentration value of the single-perturbation optimal scheme,phys-allbest is the simulated concentration value of the combined perturbation optimization scheme,phys-ensemble is the simulated concentration value of the rest of the scheme

图3 同图2，但为北京市怀柔站Fig.3 Same as Fig.2,but for Huairou station,Beijing

综上所述，无论是在城中心站点还是城郊站点，改变WRF模式中边界层方案、长波方案的配置对重污染过程PM2.5浓度预报的影响最大，表明其可能是这次重污染预报的关键不确定性来源。从目前的模拟结果来看，可以将北京这次污染过程分成两个时段，时段1是重污染起始阶段，即2016年12月14～19日；时段2为重污染爆发时段，即2016年12月20～21日。针对时段2，组合扰动优化方案呈现了比其他方案更好的预报效果，能更好再现重污染时段预报的起止时间与变化趋势，能显著改进基准方案下模式对重污染过程结束时间的预报误差问题，显著减小12月21日存在的预报偏差。

3.2 重污染预报的综合统计参数评估

为了定量分析不同参数化方案配置下模式对这次污染过程的预报技巧，计算了每一种参数化方案配置下模式预报结果的统计参数。图4展示了北京市8个城中心站点PM2.5在不同参数化方案下模式浓度预报结果的统计参数。从图中可以看出，组合扰动优化方案相关性最好，相关系数在0.7以上，其次是针对陆面过程的单扰动最优方案，相关系数在0.6以上；其余方案的相关性系数主要分布在0.3～0.5之间。从数据的偏离程度来看，针对陆面过程的单扰动最优方案的数据离散程度和观测比较接近，其次是组合扰动优化方案。从均方根误差来看，组合扰动优化方案误差最小，在100 µg/m3左右，其余方案的均方根误差集中在125 µg/m3左右。

从图5中4个城郊站点PM2.5浓度结果的统计参数来看，组合扰动优化方案相关性最高，相关系数在0.4以上，其余方案基本都低于0.4；从数据的离散程度来看，组合扰动优化方案的数据离散程度和观测比较接近；从均方根误差来看，组合扰动优化方案与观测之间的差异更小，所有方案均方差主要在100～125 µg/m3之间。因此，综合北京市所有站点的PM2.5浓度预报指标来看，组合扰动优化方案的预报技巧最高，与观测的相关性最高，与观测的偏离程度更小。

3.3 参数化方案对重污染预报影响的机制分析

在3.1和3.2节的结果分析中，组合扰动优化方案呈现了显著优于其他方案的预报技巧，其可能的原因如下。有研究表明WRF模式中不同的辐射方案对极端低温天气预报的影响很大，尤其是长波辐射方案（陈春艳和黄海波,2016），本研究中组合扰动优化方案所使用的长波辐射方案为CAM方案，该方案将云看做灰体，云相、冰粒子有效半径和液态水路径决定了云的发射率，并且吸收物质中包括气溶胶等一些粒子，特别适用于区域研究（张入财等,2007）。组合扰动优化方案采用了Noah-MP陆面方案考虑了植被、土壤等下垫面状况，并且考虑了能量和水分收支过程，对更好模拟气象过程提供了条件（马红云等,2009）。组合扰动优化方案采用的MYNN3rd边界层方案运用了2阶闭合方案，比MYJ方案阶数更高，增加了高阶量的预报方程，高阶闭合的特性能更详细地描述湍流中较为复杂的非线性过程，提高了边界层的计算精度。这可能是组合扰动优化方案能更好再现污染过程的起止时间和变化趋势的重要原因。

图4 北京市城中心8个站点PM2.5浓度统计参数平均。绿色点代表积云对流参数化方案，蓝色点代表长波过程方案，蓝绿色点代表微物理过程方案，紫红色代表边界层过程方案，黄色点代表陆面过程方案，灰色点代表短波过程方案Fig.4 Average value of PM2.5 concentration statistical parameters at eight sites in the city center of Beijing.The green dots represent the cumulus convective parameterization scheme,the blue dots represent the longwave process scheme,the blue-green dots represent the microphysical process scheme,the mulberry dots represent the boundary layer process scheme,the yellow dots represent the land surface process scheme,the gray dots represent the shortwave process scheme

图5 同图4，但为北京市城郊 4 个站点Fig.5 Same as Fig.4,but for four sites in the suburbs of Beijing

图6给出了单扰动优化方案和组合扰动优化方案下模式对第二个时段污染物浓度与气象要素模拟的均值分布。可以看出，不同方案配置下模式模拟的气象要素和污染物浓度的区域分布有较大差异。从风场来看，组合扰动优化方案下模拟的时段2风场具有更小的风速，不利于污染物的扩散；单扰动优化方案模拟的风速较大，且为东北风，有利于北京地区污染物的向南扩散，导致重污染区域偏南，从而造成北京城区和北部郊区的污染物浓度值低估。从相对湿度来看，组合扰动优化方案模拟的北京地区相对湿度更高，最高达90%，而单扰动优化方案模拟的相对湿度较低，在60%左右。在冬天高的相对湿度条件下（大于70%），会有利于气溶胶—水多相化学反应的发生，导致硫酸盐、硝酸盐等无机气溶胶组分的快速增长，单扰动优化方案下模式对相对湿度低估也可能是重污染浓度峰值低估的重要原因，而组合扰动优化方案能显著减小相对湿度的模拟偏差。从温度来看，组合扰动优化方案下模式模拟的温度整体要比单扰动优化方案下低，区域温度基本都在−2°C以下，而单扰动优化方案模拟的温度更高，在北京地区比组合扰动优化方案模拟偏高2°C左右。

图6 时段2组合扰动优化方案（左列）和单扰动优化方案（右列）下北京及其周边地区污染物浓度（填色）与（a、b）风场和相对湿度（%）、（c、d）风场和温度（等值线，单位：°C）模拟均值空间分布Fig.6 Pollutants concentration (shadings) with (a,b) wind field and relative humidity (%) and (c,d) wind field and temperature (isolines,units: °C)under the combined disturbance optimization scheme (left panel) and single disturbance optimization scheme (right panel) simulated mean spatial distribution in period 2 in Beijing and its surrounding areas

从上面分析可以看出，组合扰动优化方案与单扰动优化方案配置下WRF模拟的区域气象要素在第二时段具有显著差异，组合扰动优化方案模拟的风速更小、相对湿度更高、温度更低，这些条件总体有利于冬季PM2.5浓度的累积以及二次气溶胶组分的增长，从而能更好再现12月21日北京高PM2.5浓度的维持现象。这个结果也表明了关键气象要素模拟的不确定性是重污染预报中的关键不确定性来源，而合适参数化方案的选择对减小其不确定性非常重要。

4 结论

本文基于嵌套网格空气质量模式预报系统（NAQPMS），针对北京市 2016年12月 16～21日的重污染过程开展了WRF模式参数化方案的敏感性试验，采用不同方案模拟的WRF气象场驱动NAQPMS模式，对比分析不同方案配置下NAQPMS对这次重污染过程PM2.5预报的性能。主要试验结论如下：

（1）从模式对PM2.5浓度变化趋势的预报来看，在重污染起始时段，所有方案均能较好模拟出污染过程中PM2.5浓度的上升趋势，但在浓度量值预报上存在一定的差异；在重污染爆发时段，组合扰动优化方案表现出明显的优势，能更好地预报出重污染过程的起止时间以及变化趋势。

（2）从模式对PM2.5浓度预报的综合统计参数来看，采用组合扰动优化方案下城中心8个站点和城郊4个站点的预报统计参数都优于其他方案下的预报结果，与观测的相关性更高，与观测值的差异更小，均方根误差最小，在100 µg/m3左右，而其余方案的均方根误差在100～125 µg/m3之间。

（3）分析了不同方案下区域气象要素与污染物浓度模拟的差异，组合扰动优化方案与单扰动优化方案配置下的区域气象要素模拟具有显著差异，在重污染第二时段组合扰动优化方案模拟的风速更小、相对湿度更高、温度更低，这些条件总体有利于PM2.5浓度的累积以及二次气溶胶组分的增长，从而能更好再现12月21日北京高PM2.5浓度的维持现象。